CN115034399A - 用于控制工业气体设备综合体的方法和设备 - Google Patents
用于控制工业气体设备综合体的方法和设备 Download PDFInfo
- Publication number
- CN115034399A CN115034399A CN202210214540.4A CN202210214540A CN115034399A CN 115034399 A CN115034399 A CN 115034399A CN 202210214540 A CN202210214540 A CN 202210214540A CN 115034399 A CN115034399 A CN 115034399A
- Authority
- CN
- China
- Prior art keywords
- industrial gas
- predicted
- data
- time
- power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2639—Energy management, use maximum of cheap power, keep peak load low
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32021—Energy management, balance and limit power to tools
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/41—Servomotor, servo controller till figures
- G05B2219/41108—Controlled parameter such as gas mass flow rate
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/36—Hydrogen production from non-carbon containing sources, e.g. by water electrolysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P20/00—Technologies relating to chemical industry
- Y02P20/10—Process efficiency
- Y02P20/133—Renewable energy sources, e.g. sunlight
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/20—Climate change mitigation technologies for sector-wide applications using renewable energy
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
提供了一种控制工业气体设备综合体的方法,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备,所述方法由至少一个硬件处理器执行,所述方法包括:从所述一个或多个可再生功率源接收针对预定的未来时间段的时间相关的预测的功率数据;接收每个工业气体设备的时间相关的预测的操作特性数据;利用优化模型中的预测的功率数据和预测的特性数据来生成多个工业气体设备的状态变量的集合;利用所生成的状态变量为所述多个工业气体设备生成控制设定点的集合;以及将所述控制设定点发送到控制系统,以通过调整所述工业气体设备的一个或多个控制设定点来控制所述工业气体设备综合体。
Description
技术领域
本发明涉及用于控制工业气体设备综合体的方法和系统,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备。
背景技术
工业气体设备综合体可以包括一个或多个生产气体或参与气体的生产的工艺设备。在非限制性的实例中,这些气体可以包括:气态、液化或压缩形式的工业气体、商业气体、医疗气体、无机气体、有机气体、燃料气体和绿色燃料气体。
对利用可再生能源以用于为工业气体设备和工业气体设备综合体提供动力的方法和系统存在相当大的兴趣。然而,使用诸如风能、太阳能和潮汐能的可再生能源的显著缺点是此类能源的自然可变性和瞬时性质。
通常,恒定或基本上恒定的功率供应对于工业气体设备或工业气体设备综合体是优选的。因此,风能、太阳能和/或潮汐能的可变和间歇性质是有问题的,并且使得其难以确保利用此类功率源的工业气体设备或工业气体设备综合体的最大利用。
示例性的工业气体是氨。氨是使用来自水电解的氢气和从空气中分离出来的氮气生产的。然后将这些气体送入哈伯-博世(Haber-Bosch)工艺,其中氢气和氮气在高温和高压下一起反应以生成氨。
对使用可再生能源生产氨存在相当大的兴趣。这被称为绿色氨。然而,氨合成对来自可再生来源的输入能量的变化可能是特别敏感的。因此,需要对这些技术问题的解决方案以使得能够在这样的布置中有效地生产工业气体。
发明内容
以下以简化的形式介绍了一些概念,以便提供对本公开的一些方面的基本理解。以下不是本公开的广泛概述,并且不旨在识别本公开的关键或重要要素或描绘本公开的范围。以下仅概述了本公开的一些概念,作为此后提供的更详细描述的序言。
根据第一方面,提供了一种为包括一个或多个存储资源的一个或多个工业气体设备确定和利用来自一个或多个可再生功率源的预测的可用功率资源的方法,所述方法由至少一个硬件处理器执行,所述方法包括:获得与一个或多个可再生功率源相关联的历史时间相关的环境数据;获得与所述一个或多个可再生功率源相关联的历史时间相关的操作特性数据;基于历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型;执行训练的机器学习模型,以预测一个或多个工业气体设备在预定的未来时间段内的可用功率资源;以及响应于针对预定的未来时间段的预测的可用功率资源来控制一个或多个工业气体设备。
在实施例中,控制一个或多个工业气体设备包括使针对预定的未来时间段的预测的可用功率资源的使用最大化。
在实施例中,存储资源包括一个或多个工业气体存储容器和/或一个或多个能量存储资源。
在实施例中,一个或多个能量存储资源包括以下中的一个或多个:电池能量存储系统;压缩空气能量存储器;液态空气能量存储器;或抽水水电能量存储器。
在实施例中,使预测的功率资源的使用最大化进一步包括响应于预测的可用功率资源来控制工业气体存储容器和/或一个或多个能量存储资源的利用率。
在实施例中,控制利用率包括利用算法从一组存储资源中选择一个或多个存储资源,用于作为时间的函数的预测的功率可用性的给定模式。
在实施例中,存储资源的选择基于存储资源的物理特性。
在实施例中,一个或多个可再生功率源包括以下中的一种或多种:太阳能功率源;风力功率源;潮汐功率源;水力功率源;或者地热功率源。
在实施例中,环境数据选自以下中的一种或多种:风速;云量;降水;湿度;空气温度;大气压力;太阳强度;和潮汐时间。
在实施例中,操作特性数据包括来自一个或多个可再生功率源的功率输出。
在实施例中,在预定的训练时间周期性地执行训练机器学习模型的步骤。
在实施例中,在训练时间,基于在一个或多个预定的历史时间窗内获得的历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型。
在实施例中,所述方法进一步包括将针对预定的未来时间段的预测的功率资源的值与预测时间段结束时的实际功率资源进行比较,以生成预测误差值。
在实施例中,当预测误差值超过预定的阈值时,选择预定的训练时间。
在实施例中,基于预定的经验间隔来选择预定的训练时间,除非预测误差值在预定的经验间隔内超过预定的阈值。
在实施例中,一个或多个工业气体设备包括具有至少一个电解槽的氢气生产设备。
在实施例中,一个或多个工业气体设备包括氨生产设备综合体,其包含氢气生产设备。
在实施例中,机器学习模型包括以下中的一个或多个:梯度增强算法;长短期记忆(LSTM)算法;支持向量机(SVM)算法;或随机决策森林算法。
根据第二方面,提供了一种为包括一个或多个存储资源的一个或多个工业气体设备确定和利用来自一个或多个可再生功率源的预测的可用功率资源的系统,所述系统包括:至少一个硬件处理器,所述硬件处理器是可操作的以执行:获得与一个或多个可再生功率源相关联的历史时间相关的环境数据;获得与所述一个或多个可再生功率源相关联的历史时间相关的操作特性数据;基于历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型;执行训练的机器学习模型,以预测一个或多个工业气体设备在预定的未来时间段内的可用功率资源;以及响应于针对预定的未来时间段的预测的可用功率资源来控制一个或多个工业气体设备。
根据第三方面,提供了一种存储指令的程序的计算机可读存储介质,所述指令的程序可由机器执行以执行一种为包括一个或多个存储资源的一个或多个工业气体设备确定和利用来自一个或多个可再生功率源的预测的可用功率资源的方法,所述方法包括:获得与一个或多个可再生功率源相关联的历史时间相关的环境数据;获得与所述一个或多个可再生功率源相关联的历史时间相关的操作特性数据;基于历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型;执行训练的机器学习模型,以预测工业气体设备在预定的未来时间段内的可用功率资源;以及响应于针对预定的未来时间段的预测的可用功率资源来控制一个或多个工业气体设备。
根据第四方面,提供了一种监控包括多个工业气体设备的工业气体设备综合体的操作特性的方法,所述方法由至少一个硬件处理器执行,所述方法包括:将机器学习模型分配给形成工业气体设备综合体的每个工业气体设备;基于接收到的相应工业气体设备的历史时间相关的操作特性数据,为每个工业气体设备训练相应的机器学习模型;对每个工业气体设备执行训练的机器学习模型,以预测每个相应的工业气体设备在预定的未来时间段内的操作特性;以及将每个相应的工业气体设备在预定的未来时间段内的预测的操作特性数据与在相应的时间段内的测量的操作特性数据进行比较,以识别工业气体设备性能的偏差。
在实施例中,比较的步骤在预测的操作特性数据的预定的未来时间段结束时或在其中的时间戳处执行。
在实施例中,比较的步骤包括将针对预定的时间窗口预测的预测操作特性数据与针对相同时间窗口的实际测量操作特性数据进行比较。
在实施例中,接收到的相应工业气体设备的历史时间相关的操作特性数据包括从相应工业气体设备的过程或参数的直接测量获得的数据。
在实施例中,接收到的相应工业气体设备的历史时间相关的操作特性数据包括从表示相应工业气体设备的操作特性的基于物理的模型获得的数据。
在实施例中,与相应工业气体设备的过程或参数相关的测量数据被输入到相应的基于物理的模型中。
在实施例中,利用每个工业气体设备的预测操作特性来确定预测的未来资源、未来故障和/或预测的未来维护。
在实施例中,一个或多个工业气体设备包括具有多个电解槽模块的氢气处理设备。
在实施例中,为每个电解槽模块分配机器学习模型。
在实施例中,在另外的模型中利用每个相应的工业气体设备的预测操作特性来生成工业气体设备综合体的操作性能度量。
在实施例中,操作性能度量包括工业气体设备综合体的效率值。
在实施例中,工业气体设备综合体包括氨设备综合体,并且所确定的效率值使得能够实现对给定水平的能量输入所产生的氨的预测确定。
根据第五方面,提供了一种用于监控包括多个工业气体设备的工业气体设备综合体的操作特性的系统,所述系统包括至少一个硬件处理器,所述硬件处理器是可操作的以执行将机器学习模型分配给形成工业气体设备综合体的每个工业气体设备;基于接收到的相应工业气体设备的历史时间相关的操作特性数据,为每个工业气体设备训练相应的机器学习模型;对每个工业气体设备执行训练的机器学习模型,以预测每个相应的工业气体设备在预定的未来时间段内的操作特性;以及将每个相应工业气体设备在预定的未来时间段内的预测的操作特性数据与相应时间段内的测量操作特性数据进行比较,以识别工业气体设备性能的偏差。
在实施例中,比较的步骤在预测的操作特性数据的预定的未来时间段结束时或在其中的时间戳处执行。
在实施例中,比较的步骤包括将针对预定的时间窗口预测的预测操作特性数据与针对相同时间窗口的实际测量操作特性数据进行比较。
在实施例中,接收到的相应工业气体设备的历史时间相关的操作特性数据包括从相应工业气体设备的过程或参数的直接测量获得的数据。
在实施例中,接收到的相应工业气体设备的历史时间相关的操作特性数据包括从表示相应工业气体设备的操作特性的基于物理的模型获得的数据。
在实施例中,利用每个工业气体设备的预测操作特性来确定预测的未来资源、未来故障和/或预测的未来维护。
在实施例中,在另外的模型中利用每个相应的工业气体设备的预测操作特性来生成工业气体设备综合体的操作性能度量。
根据第六方面,提供了一种存储指令的程序的计算机可读存储介质,所述指令的程序可由机器执行,以执行监控包括多个工业气体设备的工业气体设备综合体的操作特性的方法,所述方法由至少一个硬件处理器执行,所述方法包括:将机器学习模型分配给形成工业气体设备综合体的每个工业气体设备;基于接收到的相应工业气体设备的历史时间相关的操作特性数据,为每个工业气体设备训练相应的机器学习模型;对每个工业气体设备执行训练的机器学习模型,以预测每个相应的工业气体设备在预定的未来时间段内的操作特性;以及将每个相应工业气体设备在预定未来时间段内的预测操作特性数据与在相应时间段内的测量操作特性数据进行比较,以识别工业气体设备性能的偏差。
根据第七方面,提供了一种控制工业气体设备综合体的方法,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备,所述方法由至少一个硬件处理器执行,所述方法包括:从所述一个或多个可再生功率源接收针对预定的未来时间段的时间相关的预测功率数据;接收每个工业气体设备的时间相关的预测操作特性数据;利用优化模型中的预测功率数据和预测特性数据来生成多个工业气体设备的状态变量的集合;利用所生成的状态变量为所述多个工业气体设备生成控制设定点的集合;以及将控制设定点发送到控制系统,以通过调整工业气体设备的一个或多个控制设定点来控制工业气体设备综合体。
在实施例中,优化模型将预测的功率数据和预测的特性数据定义为非线性方程的集合。
在实施例中,通过求解非线性方程的集合来生成状态变量。
在实施例中,时间相关的预测功率数据从训练的机器学习模型生成。
在实施例中,时间相关的预测功率数据通过以下来获得:获得与一个或多个可再生功率源相关联的历史时间相关的环境数据;获得与所述一个或多个可再生功率源相关联的历史时间相关的操作特性数据;基于所述历史时间相关的环境数据和所述历史时间相关的操作特性数据来训练机器学习模型;以及执行训练的机器学习模型以预测所述一个或多个工业气体设备在预定的未来时间段内的可用功率资源。
在实施例中,时间相关的预测操作特性数据从每个工业气体设备的训练的机器学习模型生成。
在实施例中,通过以下来获得每个工业设备的时间相关的预测操作特性数据:将机器学习模型分配给形成工业气体设备综合体的每个工业气体设备;基于接收到的相应工业气体设备的历史时间相关的操作特性数据,为每个工业气体设备训练相应的机器学习模型;以及为每个工业气体设备执行训练的机器学习模型以预测每个相应的工业气体设备在预定的未来时间段内的操作特性。
在实施例中,工业气体设备综合体包括存储资源,所述存储资源包括一个或多个工业气体存储容器和/或一个或多个能量存储资源。
在实施例中,一个或多个能量存储资源包括以下中的一个或多个:电池能量存储系统;压缩空气能量存储器;液态空气能量存储器;或抽水水电能量存储器。
在实施例中,预测的功率数据进一步包括表示存储资源的操作参数的数据。
在实施例中,表示存储资源的操作参数的数据包括以下中的一个或多个:资源存储器可用性;填充水平;和利用率。
根据第八方面,提供了一种用于控制包括由一个或多个可再生功率源提供动力的多个工业气体设备的工业气体设备综合体的系统,所述系统包括:至少一个硬件处理器,所述硬件处理器是可操作的以执行:从所述一个或多个可再生功率源接收针对预定的未来时间段的时间相关的预测功率数据;接收每个工业气体设备的时间相关的预测操作特性数据;利用优化模型中的预测的功率数据和预测的特性数据来生成多个工业气体设备的状态变量的集合;利用所生成的状态变量为所述多个工业气体设备生成控制设定点的集合;以及将控制设定点发送到控制系统,以通过调整工业气体设备的一个或多个控制设定点来控制工业气体设备综合体。
在实施例中,优化模型将预测的功率数据和预测的特性数据定义为非线性方程的集合。
在实施例中,通过求解非线性方程的集合来生成状态变量。
在实施例中,时间相关的预测功率数据从训练的机器学习模型生成。
在实施例中,时间相关的预测操作特性数据从每个工业气体设备的训练的机器学习模型生成。
根据第九方面,提供了一种存储指令的程序的计算机可读存储介质,所述指令的程序可由机器执行,以执行控制包括由一个或多个可再生功率源提供动力的多个工业气体设备的工业气体设备综合体的方法,所述方法由至少一个硬件处理器执行,所述方法包括:从所述一个或多个可再生功率源接收针对预定的未来时间段的时间相关的预测功率数据;接收每个工业气体设备的时间相关的预测操作特性数据;利用优化模型中的预测的功率数据和预测的特性数据来生成多个工业气体设备的状态变量的集合;利用所生成的状态变量为所述多个工业气体设备生成控制设定点的集合;以及将控制设定点发送到控制系统,以通过调整工业气体设备的一个或多个控制设定点来控制工业气体设备综合体。
在实施例中,优化模型将预测的功率数据和预测的特性数据定义为非线性方程的集合。
在实施例中,通过求解非线性方程的集合来生成状态变量。
在实施例中,时间相关的预测功率数据从训练的机器学习模型生成,和/或时间相关的预测操作特性数据从每个工业气体设备的训练的机器学习模型生成。
附图说明
现在将仅通过实例并参考附图来描述本发明的实施例,其中:
图1是工业气体设备综合体和控制系统的示意图;
图2是图1的控制系统的详细示意图;
图3是示出了使用根据本发明的实施例的模型的测量的和预测的风力功率值的图;
图4是示出了使用根据本发明的实施例的模型的测量的和预测的太阳能功率值的图;
图5是根据实施例的方法的流程图;
图6是根据实施例的方法的流程图;
图7是示出了过程变量的效率模型的图;
图8是在48小时预测的时间段内作为时间的函数的最佳氨设备速率的图;和
图9是根据实施例的方法的流程图。
通过参考下面的具体实施方式,可以最好地理解本公开的实施例及其优点。应当理解,相同的附图标记用于识别一个或多个附图中所示的相同元件,其中,其中的示出是为了说明本公开的实施例,而不是为了限制本公开的实施例。
具体实施方式
现在将描述本公开的各种实例和实施例。以下描述提供了具体的细节,以用于全面理解和能够描述这些实例。然而,相关领域的普通技术人员将理解,本文描述的一个或多个实施例可以在没有许多这些细节的情况下实施。同样,相关领域的技术人员也将理解,本公开的一个或多个实施例可以包含在本文中没有详细地描述的其他特征和/或功能。另外,一些熟知的结构或功能可能不会在下面详细地示出或描述,以避免不必要地模糊相关描述。
图1示出了工业气体设备综合体10和控制系统100的示意图。
工业气体设备综合体10包括氢气生产设备12、氢气存储单元14、空气分离单元(ASU)16、氨合成设备18和氨存储单元20。氨存储单元20被连接至用于向前分配氨的外部供应链22。
用于为工业气体设备综合体10提供动力的电力至少部分地由可再生能源(例如风24和/或太阳能26)生成,尽管也可以任选地利用其他来源,诸如柴油、汽油或氢动力功率产生机(未示出)或国家电网(未示出)。
为了解决来自可再生来源的功率供应的间歇性,提供了存储资源28。存储资源28可以包括一个或多个资源存储装置或能量存储装置。例如,一个或多个资源存储装置可以包含氢存储单元14。通过电解生产氢气需要大量的功率,并且使用存储的氢气作为用于生产氨的氢源可以在低可再生功率供应期间显著地降低设备10的功率消耗。此外,液氮气存储器16a也可以作为存储资源28的一部分提供,如图1所示。
此外或可替代地,在非穷尽性的布置中,能量存储装置可以包括以下中的一个或多个:电池能量存储系统(BESS)28a、压缩/液态空气能量系统(CAES或LAES)28b或抽水水力存储系统(PHSS)28c。
BESS 28a利用电化学技术,并且可能包括以下中的一种或多种:锂离子电池、铅酸电池、溴化锌、钠硫或氧化还原液流电池。诸如电池的电化学装置在快速充电速率和快速(几乎瞬时)斜坡速率方面具有优势,以供应功率来应对能源供应的突然下降。然而,它们的功率容量往往比其他系统更有限。因此,它们可能更适合在例如来自可再生来源的功率短缺预计是暂时的或持续时间较短的情况下使用。
CAES 28b压缩空气,并将空气存储在约70巴的高压下。它通常被存储在地下洞穴中。当需要功率时,压缩空气在膨胀涡轮机中被加热和膨胀,以便驱动功率产生机。
LAES 28b包括空气液化器以从环境中抽取空气并压缩和冷却空气以实现液化。液化的空气然后被存储在绝缘罐中,直到需要功率。为了将液化的空气转化为可用能量,将液态空气泵送至高压并通过热交换器加热。产生的高压气体用于驱动涡轮机以生成电力。
CAES和LAES能够比大多数BESS 28a系统存储显著更多的能量。然而,CAES和LAES具有比电化学存储装置慢的斜坡速率,并且需要更长时间来存储更大量的能量。例如,压缩级在满负荷下操作可能需要约5-10分钟,并且按需生成满功率需要10-20分钟。因此,此类存储装置更适合于长期存储并且更适合于在可再生能源长期短缺期间供应功率。
PHSS 28c通过将水从较低海拔蓄水池泵送到较高海拔蓄水池,以重力势能的形式存储能量。当需要功率时,水被释放以驱动涡轮机。一些PHSS装置利用可逆的泵-涡轮机单元。
考虑到PHSS配置的大存储容量,它们通常适合于长期存储。此外,特别是对于可逆的泵涡轮机,从停机到满负荷功率生成的约5-10分钟的时间尺度,从停机到泵送的约5-30分钟的时间尺度,以及从泵送到负荷生成的约10-40分钟的时间尺度,或者反之亦然是常见的。因此,这种存储似乎更适合长期功率不足。
虽然在图1中示出了所有这些元件,但这仅用于说明的目的。能量存储资源20不需要包括每个所描述的元件,并且可以仅包括一个或多个所描述的元件。此外,能量资源28可以包括附加元件。
现在将详细地描述工业气体设备综合体10的部件。
氢气生产设备12
氢气生产设备12是可操作的以电解水来形成氢和氧。可以使用任何合适的水源。然而,在使用海水来生产用于电解的水的实施例中,该设备将进一步包括至少一个用于处理海水的脱盐和脱矿质设备。
氢气生产设备12包括多个电解单元12a、12b……12n或电解池。每个单元或池可以被称为“电解槽”12a、12b……12n。
电解槽可以使氢气生产设备12具有至少1GW的总容量。然而,氢气生产设备12的最终容量仅受到诸如功率供应的实际考虑的限制。
可以使用任何合适类型的电解槽。在实施例中,多个电解槽通常由组合成“模块”的多个单独的池组成,这些“模块”还包含工艺设备,诸如泵、冷却器和/或分离器。可以使用数百个池,并且可以将其分组在不同的建筑物中。每个模块通常具有大于10MW的最大容量,尽管这不旨在是限制性的。
任何合适类型的电解槽都可以用于本发明。通常,使用三种常规类型的电解槽-碱性电解槽;PEM电解槽;和固体氧化物电解槽。这些类型中的任何一种都可以用于本发明。
碱性电解槽通过电解质将氢氧离子(OH-)从阴极输送到阳极,其中在阴极侧生成氢气。通常,使用氢氧化钠或氢氧化钾的液体碱性溶液作为电解质。
PEM电解槽利用固体塑料材料作为电解质,并且水在阳极处反应以形成氧气和带正电荷的氢离子。电子流过外部电路,并且氢离子选择性地移动穿过PEM到达阴极。在阴极,氢离子与来自外部电路的电子结合以形成氢气。
固体氧化物电解槽使用固体陶瓷材料作为电解质,其在高温下选择性地传导带负电荷的氧离子(O2-)。阴极处的水与来自外部电路的电子结合,以形成氢气和带负电荷的氧离子。氧离子通过固体陶瓷膜,并在阳极处反应以形成氧气,并且为外部电路生成电子。
电解槽可以被布置成任何合适的组。例如,它们可以平行布置。
氢气由氢气生产设备12在约大气压下产生。如此生成的氢气流在稍微升高的压力下从电解槽中移除,并且可以通过管道被输送到氨合成设备18。
可替代地,任何超过需求的氢气可以被存储在氢气存储单元14中。存储单元14包括具有不同尺寸、填充/排出速率和往返效率的多个短期和长期存储选项。典型的存储系统可以包含连接到公共入口/出口集管的压力容器和/或管道区段。例如,压力容器可以是直径为约25m的球体,或“弹丸”,它们是具有大L/D比率(通常高达约12:1)且具有高达约12m的直径的水平容器。在某些地区,地下洞穴作为存储系统被包括,以消除与可再生功率相关的季节性变化。
优选地,氢气由压缩机压缩并在压力下被存储在氢气存储单元14中以减少体积需求。在这一点上,它可以在商业上使用(例如出售用于汽车用途),或者可以通过管道30用作氨合成设备18的储器。
任选地,可以实施纯化系统以在继续使用之前纯化或干燥氢。例如,氢气可以在吸附单元中被干燥,诸如用于下游工艺的变温吸附(TSA)单元。
空气分离单元16
在非限制性的实施例中,通过在空气分离单元(ASU)16中低温蒸馏空气来生产氨生产所需的氮气。通常,ASU 16在约10巴的压力下操作。然后降低压力以在一个或多个管道中提供氮气流,所述管道被布置成将氮气输送到氨合成设备16。然而,如果需要,可以使用其他氮源,例如氮气存储器16a。
还可以提供氮气存储单元16a,其可以用作如下所述的资源存储器。存储单元16a可以与氢存储单元14共同包括具有不同尺寸、填充/排放速率和往返效率的多个短期和长期存储选项。
典型的用于氮气的存储系统可以包括连接至公共入口/出口集管的多个压力容器和/或管道区段。例如,压力容器可以是直径为约25m的球体,或“弹丸”,它们是具有大L/D比率(通常高达约12:1)且具有高达约12m的直径的水平容器。在某些地区,地下洞穴可以用于消除与可再生功率相关的季节性变化。
优选地,氮气由压缩机压缩,并在压力下被存储在氮气存储单元16a中,以减少体积需求。它可以用作氨合成设备18的储器,所述储器可以通过连接管道进料。
氨合成设备18
氨合成设备18以哈伯-博世工艺操作,并且包括氨回路。氨回路是单个单元平衡反应系统,其处理氮气和氢气的合成气以生产氨。
氮气由来自ASU 16的一个或多个管道提供,在实施例中,所述空气分离单元可连续地运行以提供氮气。氢气由来自氢气生产设备12的一个或多个管道(如果它在给定情况下基于可再生功率的可用性运行的话)提供。否则氢气从氢气存储器14供给。
合成气的化学计量组成由合成气压缩机系统处理,并且所得到的氨产品由另一组压缩机制冷并送往存储器。氨回路的性能由放热反应的平衡转化率决定。用于此的参数将在下文讨论。
电力生成和管理系统
设备10作为整体的电力可以由任何合适的能源(包含可再生或不可再生能源)生成。如图1所示,电力由风能24(经由包括多个风力涡轮机的合适的风力功率产生场)和/或太阳能26(经由包括多个太阳能电池的太阳能功率产生场)中的至少一个可再生能源产生。此外,可以使用其他可再生能源,例如水力功率源(未示出)和/或潮汐功率源(未示出)。
此外,设备10作为整体或设备10的子设备的电力或资源可以从能量存储资源28中提取。如参照图1所述,能量存储资源28可以包括一个或多个存储资源。例如,一个或多个存储资源可以包含氢存储单元14和氮气存储器16a。
此外或可替代地,在非穷尽性的布置中,能量存储装置可以包括以下中的一个或多个:电池能量存储系统(BESS)28a、压缩/液态空气能量系统(CAES或LAES)28b或抽水水力存储系统(PHSS)28c。
当来自可再生来源的电力供应高或被预测为高时,这些元件被最佳地用于存储额外的资源和/或能量,然后当可再生电力资源被预测为低时,利用这些资源和/或能量。
下面将描述这些设施的预测和控制。在最佳条件下选择这些设施非常重要,使得例如为特定的预测的功率短缺期选择正确的能源。
控制系统100
图1的控制系统100在图2的示意图中详细地示出。
控制系统100包括三个主要类别:设备综合体控制系统110、可再生能量控制系统120和优化系统150。这些都是非限制性的术语,并不一定意味着系统110、120、150的组成部分之间的任何互连或分组,并且仅出于清楚的目的而以共同的分组示出。
设备综合体控制系统110包括氢气生产设备控制系统112、氢气存储控制系统114、ASU控制系统116和氨合成设备控制系统118。
作为实例,氢气生产设备控制系统112可以被配置为通过测量来监控从电解生成氢气的量和速率。这种测量可以从诸如直接流量测量的传感器测量中导出,或者可替换地通过诸如电解槽电流或功率需求的间接测量来推断。
作为另外的实例,对于氢气存储控制系统114,可以监控从电解槽和压缩系统到存储系统的压缩氢气的压力和流量,以及到氨合成设备18的压缩氢气的压力和流量。
在每种情况下,控制系统110是可操作的以控制相应的工业气体设备的参数,并且能够输出来自每个工业气体设备的使用和过程数据。这将在下面详细地描述。
所述实施例中的可再生能量控制系统120包括风控制系统124和太阳能控制系统126。这些控制系统控制和监控可再生能源的过程参数,诸如能量生成、存储和负荷。它们还被配置为根据需要向外部系统发送使用、功率和过程数据。如果使用水电或潮汐可再生功率源,类似的控制系统将适用。
优化系统150包括计算机系统,所述计算机系统包括三个模块:功率预测模块152、设备操作模块154和实时优化模块156。
功率预测模块(PPM)152从可再生能量控制系统120以及天气和预报数据库160接收使用和功率生成数据,所述数据库包括与过去(已知和历史)环境和天气数据以及未来(预测和预报)环境和天气数据相关的信息。功率预测模块152包括如下将描述的在计算系统上实现的机器学习算法,并且用于生成与未来功率生成相关的模型。
设备操作模块(POM)154是可操作的以从设备综合体控制系统110接收设备操作数据并生成设备操作的模型。设备操作模块152包括如下将描述的在计算系统上实现的机器学习算法。
实时优化模块(RTOM)156被布置成接收来自功率预测模块152和设备操作模块154的输入,并且导出包含设定点操作参数的设备操作策略。这些然后被馈送到设备综合体控制系统110,以控制由此控制的相关过程。
现在将描述每个部件的细节和操作。
功率预测模块(PPM)152
功率预测模块152包括在计算系统上实现的机器学习算法,并且是可操作的以生成模型来预测未来的功率生成。在实施例中,功率预测模块152的一个方面是能够预测来自可变和/或间歇源(诸如可再生功率源)的未来功率生成,使得可以控制一个或多个工业气体设备(其通常需要恒定的功率负荷),而没有设备的功率不足的风险。
在实施例中,功率预测模块152的另外的方面是使用预测的功率生成数据来控制设备综合体10或其方面。这将在下面更详细地讨论。
用于预测未来功率的模型基于机器学习框架。可以使用任何合适的机器学习算法。例如,该模型可以利用诸如梯度增强(利用例如XGboost)、长短期记忆(LSTM)、支持向量机(SVM)的技术,或者在此类模型中可以使用随机决策森林。
梯度增强是一种用于回归和分类问题的机器学习技术。形成强预测模型,其包括诸如决策树的弱预测模型的集合。逐步过程可以用于通过最速下降最小化(以及其他方法)生成模型。
LSTM是具有反馈连接以及前馈连接的人工递归神经网络架构。公共LSTM单元由单元、输入门、输出门和遗忘门组成。该单元是可操作的以在进出该单元的信息流由门调节的任意时间间隔内记住值。
支持向量机利用一组训练实例,每个训练实例被包含在两个类别之一中,并生成将新的实例分配给特定类别的模型。因此,SVM包括非概率二元线性分类器。
随机决策森林包括集成机器学习方法,其通过在训练过程期间构建大量决策树并且输出作为单独的树的类(分类)或中等/平均预测(回归)的模式的类来操作。
无论使用何种机器学习算法,该模型都利用两步操作过程,其中在预测阶段之前需要训练阶段。这两个阶段都被实现为一个或多个计算机系统上的计算机程序。
也可以使用专业硬件。例如,训练阶段可能涉及使用计算机系统的中央处理单元(CPU)和图形处理单元(GPU)部件。此外,也可以使用其他专业硬件,诸如现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他流处理器技术。
训练阶段
周期性地(例如,在每天的基础上)或按需(如果例如模型的准确度要求训练过程)训练模型,以在可再生能量功率设备的预测变量之间建立关系,从而确定在预定的未来时段内的预测的能量可用性。
PPM 152旨在确定以下的预测变量:
风力功率WPi
太阳能功率SPi
其中索引i表示从周期n到n+k的时间(以固定的持续时间的间隔计)。在非限制性的实施例中,间隔可以包括15分钟或1小时。
预测器变量包括以下的时间相关的操作特性数据:
风力功率WPi
太阳能功率SPi
从周期n-m到n-1的功率负荷Li。
预测器变量还包含测量的环境和气象信号,其可以包括但不限于时间相关的环境数据,所述时间相关的环境数据包括:
空气温度Ti,
大气压力Pi
风速WSi,
云量CCi,
降水Pi
湿度Hi
其中索引i表示从周期n-m到n+k的时间。
在训练阶段,使用各种机器学习算法来创建预测的变量与预测器变量之间的数学关系。这些关系以一系列方程的形式被存储在计算机中,这些方程可以被访问并用于做出未来的预测。
这些模型是在训练过程期间生成的,所述训练过程在预定的训练时间定期进行。在每个训练时间,基于在一个或多个预定的历史时间窗口内获得的历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型。换言之,时间相关的数据(例如,前2天、前2周等)的移动历史窗口用于训练机器学习模型。
如上所述,气象测量来自天气和预报数据库160,所述数据库可以包括天气数据服务或其他互联网连接的资源。负荷、太阳能功率和风力功率由操作者测量,或者作为自动化的数据收集系统的一部分通过可再生能量控制系统120馈送。
预测阶段
在预测阶段,使用在训练阶段生成和存储的方程来进行关于未来行为的预测。
预测的变量包括从c+1到c+p的i的风力功率WPi和太阳能功率SPi的预测,其中c表示当前时间,并且p表示预测范围,其可以是任何合适的时间尺度;例如,非限制性的实例可以是24小时、48小时或更长。
预测器变量为:
风力功率WPi
太阳能功率SPi
功率负荷Li
从c-r到c,测量气象信号(根据训练阶段),并且从c+1到c+p预测气象信号。
至于训练阶段,在实施例中,环境和气象测量来自天气和预报数据库160,所述数据库可以包括天气数据服务或其他互联网连接的资源。负荷、太阳能功率和风力功率由操作者测量或通过可再生能量控制系统120自动馈送。
图3和4示出了风力功率和太阳能功率的预测,其中预测的变量是从上述模型预测阶段生成的。
在实施例中,通过将预定的未来时间段内的预测的功率资源的值与在预测的未来时间段结束时可用于工业气体设备的实际功率资源进行比较,来进行机器学习模型的准确度的评估。这使得能够确定为模型的准确度提供度量的预测误差值。
如果模型不够准确,其可能需要在另外的训练时间进行训练。可以基于预测误差值来选择预定的训练时间,在实施例中,该预测误差值可以是当预测误差值超过预定的阈值时。
在实施例中,可以在周期性基础上根据经验选择训练时间;例如视情况每24小时或每48小时。在实施例中,该周期性基础可以是默认的训练时间策略。
然而,在实施例中,当预测误差值在预定的经验间隔内超过预定的阈值时,这可以被中断,在这种情况下,基于预测误差值来调度训练时间。
基于预测的数据的控制
PPM 152可以利用预测的数据以响应于预定的未来时间段的预测的可用功率资源来控制一个或多个工业气体设备。例如,除了RTM 156之外,PPM 152可以控制一个或多个工业气体设备的操作方面。
在实施例中,预报功率数据可以附加地或可替代地控制存储资源28的使用。如上所述,存储资源28可以包括资源存储,诸如存储的氢和/或氮,以及通过BESS 28a、CAES/LAES 28b和PHSS 28c等的能量存储。
因此,PPM 152可以包括控制和优化算法,所述算法利用预测的功率资源来优化可用存储资源28的使用,以最佳地运行设备综合体10,并计划未来的功率可用性和功率使用。
PPM 152系统使用预测的功率WPi和SPi作为实时优化问题中的输入,并且应用优化算法来提出运行工业气体综合体10的最佳速率,以使可用功率和资源存储器28中的存储的资源的利用率最大化。
例如,通过确定存储资源28中短期(例如,BESS 28a)和长期(例如,CAES/LAES28b和PHSS 28c)存储系统的最佳使用,通过PPM 152可以解决预测的功率生成中的预期每日和季节性可变性。
在实施例中,PPM 152可以确定存储资源28的最佳通电和关闭时间,以使可用功率的利用率最大化。下面将描述这方面的实例。
在非限制性的实例中,PPM 152可以确定在接下来的24小时内有足够的功率可用于在更大的负荷下运行氢气生产设备12的电解槽12a……n,以生成比在预定的时间段内产生最佳氨生产速率所需的更多的氢气。然后,额外的氢气可以被存储在氢气存储器14中,以用于在较低的功率可用性期间使用。这同样适用于ASU 16和氮气存储器16a。
PPM 152可以接收氢气存储器14和氮气存储器16a的操作特性数据。这可能包含填充水平和其他操作数据(例如填充压力、填充体积、密度等)。此操作数据可以由形成PPM152的一部分的算法使用以确定最佳存储要求,从而解决作为时间的函数的预测的未来功率可用性分布。
在实施例中,PPM 152还可以确定在预测的时间窗口内有足够的功率可用于在能量存储器28a、28b、28c中存储额外的功率。PPM 152可以利用优化算法来根据功率可用性相对于时间的预测来选择适当的能量存储器28a、28b、28c。
在非限制性的实例中,PPM 152可以确定在相对短的时间段(例如,1-2小时)内可获得超过设备综合体10需求的功率可用性。鉴于BESS 28a解决方案的短的斜坡速率、快的充电时间和较低的容量,于是可以确定BESS 28a代表了该时间段内最合适的能量存储解决方案。
在替代的非限制性实例中,PPM 152可以确定在更长的时间段(例如,5-10小时)内可获得超过设备综合体10需求的显著的功率可用性。在这种情况下,鉴于这种能量存储解决方案的较慢的斜坡速率和较高的存储容量,于是可以确定CAES/LAES 28b和PHSS 28c可能更适合于存储可用功率。
PPM 152系统解决了接下来p个时间段的优化问题,并将可用功率预测应用于实时优化模型中,以使功率的利用率最大化。该模型可以涉及功率利用率度量的生成,并且优化寻求优化功率生成度量的值。
PPM 152还可以包括跟踪系统,以计算作为可再生功率资源的互补性的函数的预测的功率利用率度量,并调整生成水平/利用率以使可再生资源的长期利用率最大化。
PPM 152系统在计算机上实现,并且从其他计算机系统接收各种输入。PPM 152系统的实例可以利用混合整数非线性程序(MINLP),因为一些决策需要一些设备以导致整数变量的多种可能模式之一运行。图5示出了根据一个实施例的方法。应当注意,以下步骤不需要按照下面描述的顺序执行,并且一些步骤可以与其他步骤同时执行。
在实施例中,提供了一种预测来自用于一个或多个工业气体设备的一个或多个可再生功率源的可用功率资源的方法。所述方法由至少一个硬件处理器执行。
在步骤200,获得与一个或多个可再生功率源24、26相关联的历史时间相关的环境数据。历史是指过去的环境数据。这可以在任何合适的时间窗口中收集,并且可以包含延伸直到但不包含当前时间的窗口内的数据。
在步骤210,与一个或多个可再生功率源相关联的历史时间相关的操作特性数据。历史是指过去的操作特性数据,诸如功率输出。这可以在任何合适的时间窗口中收集,并且可以包含延伸直到但不包含当前时间的窗口内的数据。
在步骤220,基于在步骤200和210中捕获的历史时间相关的环境数据和历史时间相关的操作特性数据来训练机器学习模型。所述模型可以被训练任何合适的次数并且以预定的间隔或根据需要训练。
在步骤230,执行所训练的机器学习模型以预测一个或多个工业气体设备在预定的未来时间段内的可用功率资源。
在步骤240,预测的数据可以任选地用于响应于针对预定的未来时间段的预测的可用功率资源来控制一个或多个工业气体设备。例如,一个或多个工业气体设备的一个或多个操作设定点可以根据预测的可用功率资源来设置。
此外,如上所述,可以基于针对预定的未来时段的预测的可用功率资源来利用优化算法以确定如何最佳地管理存储资源28,该存储资源包含诸如氢存储器14和氮气存储器16的资源存储器以及能量存储资源28a、28b、28c。优化算法可以为作为时间的函数的预测功率可用性的给定模式选择最佳调度和/或选择最佳资源。
选择和调度可以基于存储资源的操作特性;例如,氢存储器14和氮气存储器16a的填充水平、压力和其他特性,或能量存储资源28a、28b、28c的斜升/斜降、时间依赖性、最大生成功率/最大存储能量操作概况。
在步骤250,确定是否需要另外的训练过程。这可以基于经验度量,诸如预定的时间段。可替代地,它可以基于通过将针对预定的未来时间段的预测功率资源的值与在预测的未来时间段结束时可用于工业气体设备的实际功率资源进行比较而对机器学习模型的准确度的评估。这使得能够确定为模型的准确度提供度量的预测误差值。
如果确定模型需要再训练,则可以安排训练时间,并且所述方法可以移回到步骤220中的训练。应当注意,这可能发生在步骤230或240中的任一个之后或期间。
设备操作模块(POM)154
设备过程控制的优化对于实现效率至关重要。考虑到可再生功率源几乎总是会导致可用功率的变化,工业气体设备综合体10可能频繁地以动态模式操作。这需要实时性能模型来设计稳健的操作策略。POM 154包括基于机器学习和物理的模型,以对设备操作进行建模。基于物理的模型可以用于生成指示相应工业气体设备的操作特性的预测器变量。在实施例中,这些可以与其他操作设备数据(例如,功率输入、功率输出、气体输出)一起用作到相应机器学习模型的时间相关的数据输入。
如上所述,工业气体设备综合体10包括氢气生产设备12、氢气存储单元14、空气分离单元(ASU)16、氨合成设备18和氨存储单元20,其中一些由相应的控制系统:氢气生产设备控制系统112、氢气存储控制系统114、ASU控制系统116和氨合成设备控制系统118控制。
在实施例中,在每个时间步骤,来自PPM 152的功率可用性预报被用于定义不同工业气体设备112、114、116、118的操作设定点。
这些决策在实施例中是可操作的以实现高过程效率。这需要在其实时性能、系统可用性信息以及资源可用性和即将发生的维护问题方面对不同的过程单元进行准确的定量理解。
POM 154被配置为捕获每个子系统(即,相应的工业气体设备)的时间变化属性,并根据对于给定的能量消耗水平产生的氨来预测整个过程的生产效率。
用于这种预测的高保真模型基于实时机器学习框架,其使用由分布式控制系统(DCS)以时间序列的形式为各种过程标签提供的时间相关的历史数据。任何合适的机器学习算法都可以用来为单独的子系统建立集成模型。例如,所述模型可以利用诸如梯度增强(利用例如XGboost)、长短期记忆(LSTM)、支持向量机(SVM)或随机决策森林的技术。
POM 154-氢气生产设备12建模
水电解是一种能量密集型工艺并且是生产绿色氢气中的关键工艺步骤。氢气生产设备12的电解槽模块12a、12b……12n中的每一个都由数百个电解池组成,这些电解池一起工作以将可再生功率转换成由时间相关的效率 η控制的氢分子。
氢气生产设备12中的每个电解槽模块12[k]基于其历史性能数据被独立地建模。利用的预测的操作特性变量为:
消耗的电解槽功率[EP(i,k)]
产生的电解槽氢气[EH(i,k)]
其基于预测器变量的数量,所述预测器变量诸如:
脱矿质水流量[ED(i,k)]
平均池温度[ECT(i,k)],
平均池压力[ECP(i,k)],
流经电极的电流[I(i,k)]
以及其他关键工艺指标。
预测器变量和响应变量的历史时间序列数据在几个月内以适当的频率[s]采样,并且用于开发实际模块效率的模型。使用从预测器变量导出的方程来建立模型。
此外,累加器变量用于跟踪模块的功能年龄,它是模型中的预测器变量之一。来自资产管理系统的可靠性和维护事件信息。
将定期或按需对模型进行训练(以在固定持续时间的间隔(诸如15分钟或1小时)内,在从n-1到n-k开始的每个时间实例,在时间n的响应变量与预测器变量之间建立关系。
在训练系统中,使用各种机器学习算法来创建预测的变量和预测器变量之间的数学关系。
POM 154-氨回路建模
氨回路是单个单元平衡反应系统,其处理氮气和氢气的合成气以生产氨。氮气由ASU 16提供,在实施例中,该空气分离单元连续运行以提供氮气。
如果氢气生产设备12在给定的情况下基于可再生功率的可用性运行,则从该氢气生产设备提供氢,否则从氢存储器14供给氢。
合成气的化学计量组成由合成气压缩机系统处理,并且产品由另一组压缩机制冷并送往存储器。
氨回路的性能受放热反应的平衡转化率控制,并且根据氨流入存储器、作为各种预测器变量的函数的AFi的预测模型进行实时监控,所述预测器变量包括:
由氨回路消耗的功率,APi,
氨回路压力和温度,ALPi、ALTi
氮气和氢气流的进料流量,ANFi、AHFi
氨设备合成气压缩机压力,ACPi。
关于催化剂床的健康状况和维护事件的时间的额外信息可以用于模型中,以获得转化回路效率的最真实画面。
氨回路的另外的方面是不同的操作模式。在实施例中,存在两种主要模式:正常和待机。正常模型涉及响应于可用氢气量的斜升和斜降。该数据在DCS中进行跟踪,并且用于查看任何性能差异或诊断与生产计划的任何过程偏差。该时间相关的操作特性数据可以用作训练的机器学习模型的输入,以预测未来的操作行为。
如下所述,模型在更长范围的历史数据集(例如,其可以是6个月到一年)上定期被训练,以捕获所有模式和不同水平的斜坡速率。
POM 154-氢气存储器14建模
在实施例中,氢气存储单元14包括氢纯化链、存储器和一组压缩机,其以动态方式可操作以将氢气输送到氨处理设备并管理氢气库存以避免由于缺乏可用气体资源而停机。
通过以可靠和节能的方式达到集管压力的规定设定点来测量系统的整体性能。压缩机是根据基于操作温度和环境条件的等熵效率建模的。所有压缩机的实时状态监测是基于自适应多变量(主组分分析(PCA)和偏最小二乘(PLS)模型建立在关键过程标签的历史数据的移动3个月窗口上。
氢气存储器的实时跟踪可以基于第一主要热力学模型,该模型基于使用:
存储系统压力和温度,SPi、STi
氢气压缩机压力和流量,HCPi、HCFi。
使用消耗的压缩机功率CPi跟踪压缩机系统的效率。此外,该系统可以在效率和可靠性方面对氢气纯化系统进行实时监控。
POM 154-ASU 16建模
为了对空气分离单元16建模,在实施例中,利用多变量偏最小二乘(PLS)和主组分分析(PCA)模型以及工程模型。这些模型是可操作的以诊断性能影响,并识别优选的操作模式。来自这些模型的数据可以用作输入到训练的机器学习模型中的操作特性数据。
可以选择几个关键性能指标(KPI)。在非限制性的实例中,它们可以包括比功率、N2回收率和形成ASU的一部分的热交换器中的温度差。实时跟踪KPI,以便对低效操作以及新出现的设备健康状况恶化进行早期检测和诊断。KPI的生成对本发明来说并不重要,然而这些值可以被预测性机器学习模型用来建立ASU 16的性能的预测模型。
工业气体设备模型部件训练和预测
对于每个工业气体设备,如上所述分配并实施机器学习模型。对于每个设备,机器学习模型是可操作的以利用训练过程来生成方程,所述方程对相应的工业气体设备的行为进行建模。这是使用上述针对每个工业气体设备的预测器变量完成的。
训练过程可以采取历史时间相关的操作特性数据作为输入来训练机器学习模型。操作特性数据可以包括与相应的工业气体设备相关的物理测量数据,例如,在非限制性的实施例中,输入功率、功率使用、气体输出、测量的效率等。
此外,操作特性数据可以包括由如上所述的一个或多个基于物理的模型生成的数据。基于物理的模型可以采用所测量的特定工业气体设备特性(特定于每个工业气体设备),并且可以生成指示工业气体设备的性能的一个或多个度量。然后,这些时间相关的度量可以用作输入的操作特性数据,以训练分配给相应的工业气体设备的机器学习模型。
一旦在训练时间的训练过程完成,该模型就可以用于预测相应工业气体设备的行为。在预测阶段,使用在训练阶段生成和存储的方程来进行关于未来行为的预测。
在实施例中,通过将每个工业气体设备在预定的未来时间段的预测的未来行为的值与工业气体设备在预测的未来时间段结束时的实际行为进行比较,来进行机器学习模型的准确度的评估。这使得能够确定为模型的准确度提供度量的预测误差值。
如果模型不够准确,其可能需要在另外的训练时间进行训练。可以基于预测误差值来选择预定的训练时间,在实施例中,该预测误差值可以是当预测误差值超过预定的阈值时。
在实施例中,可以在周期性基础上根据经验选择训练时间;例如视情况每24小时或每48小时。在实施例中,鉴于历史数据可能会持续几个月,训练可能不需要如此频繁。在实施例中,该周期性基础可以是默认的训练时间策略。
然而,在实施例中,当预测误差值在预定的经验间隔内超过预定的阈值时,这可以被中断,在这种情况下,基于预测误差值来调度训练时间。
POM 154总结
如上所述,为形成工业气体综合体的每个工业气体设备提供机器学习模型。这些机器学习模型在如上所述从与相关设备相关的测量的历史时间相关的数据和/或从由相应设备的一个或多个基于物理的模型生成的时间相关的数据生成的操作特性数据上被训练。
这些模型各自生成与以下中的一项或多项相关的预测数据:性能;容量;效率;维护状态;和/或相关设备的利用率。
在图7中示出了过程变量的生成的效率曲线的实例。图7示出了电解槽的效率相对于电解槽上的负荷的曲线。该曲线由来自形成氢设备12的一部分的电解槽的时间相关的操作特性数据生成,该数据被输入到相应的机器学习模型中以生成操作特性数据。
除了分配给每个工业气体设备的单独的机器学习模型的预测之外,还可以利用另外的模型,所述另外的模型确定设备综合体在给定情况下的总体性能是基于组合来自上述每个模型的单独的模块的效率。采用集成机器学习算法来提高预测的质量,并选择最佳模型以用于预测系统。
换句话说,通过每个训练的机器学习模型来预测形成设备综合体的一部分的每个工业气体设备在预定的未来时段内的时间变化的操作特性,并且将其输入到另外的模型中以预测整个工艺设备综合体的生产效率。来自每个模型的数据可以在周期性基础上被输入到集体模型中;例如,在非限制性的实施例中,这可以是每15分钟一次。
就示例性的实施例中的氨生产设备而言,效率确定能够实现对于给定水平的能量输入所生产的氨的预测的确定。
在POM 154中执行的所有建模都作为计算机程序在设备中的一台或多台计算机上实现。无论使用何种机器学习算法,该模型都利用两步操作过程,其中在预测阶段之前需要训练阶段。这两个阶段都被实现为一个或多个计算机系统上的计算机程序。
也可以使用专业和非专业硬件。例如,训练阶段可能涉及使用计算机系统的中央处理单元(CPU)和图形处理单元(GPU)部件。此外,也可以使用其他专业硬件,诸如现场可编程门阵列(FPGA)、专用集成电路(ASIC)或其他流处理器技术。
模型执行计算机将被连接到其他计算机数据库系统,来自设备和天气数据服务的数据将被存储在这些系统中。当设备操作时,性能模型每15分钟用于进行预测,以获得生产概况。
所有性能模型以及一些单元操作水平数据在RTOM 156中以预定的频率使用,以优化操作效率并定义不同模型的设定点。
操作的方法
图6示出了根据一个实施例的方法。应当注意,以下步骤不需要按照下面描述的顺序执行,并且一些步骤可以与其他步骤同时执行。
在实施例中,提供了一种预测包括多个工业气体设备的工业气体设备综合体的操作特性的方法。所述方法由至少一个硬件处理器执行。
在步骤300,将机器学习模型分配给形成工业气体设备综合体的每个工业气体设备。该模型可以采用如上所述的任何合适的形式。它可以利用工业气体设备的历史时间相关的操作特性来生成方程,以进行未来预测。
在步骤310,基于接收到的相应工业气体设备的历史时间相关的操作特性数据来训练每个工业气体设备的相应机器学习模型。该数据可以采用任何合适的形式,并且可以特定于如上所述的特定类型的工业气体设备。历史是指过去的操作特性数据。这可以在任何合适的时间窗口中收集,并且可以包含延伸直到但不包含当前时间的移动窗口内的数据。在实施例中,窗口可以是六个月到一年长。
历史时间相关的操作特性数据可以包括与相应的工业气体设备相关的物理测量数据,诸如,在非限制性的实施例中,输入功率、功率使用、气体输出、测量的效率等。
此外,操作特性数据可以包括由如上所述的一个或多个基于物理的模型生成的数据。基于物理的模型可以采用所测量的特定工业气体设备特性(特定于每个工业气体设备),并且可以生成指示工业气体设备的性能的一个或多个度量。然后,这些时间相关的度量可以用作输入的操作特性数据,以训练分配给相应的工业气体设备的机器学习模型。
在步骤320,执行每个工业气体设备的训练的机器学习模型,以预测每个相应的工业气体设备在预定的未来时间段内的操作特性。该预测可以任选地用于控制相应工业气体设备的行为、预测可能的使用、维护计划、资源分配或识别过程问题和潜在问题。
例如,预测的数据可以用于推断工业气体设备的其他技术性能。这些预测可以用于确定资源规划、维护计划或维修要求。这种维护计划可以与功率资源和存储单元的容量的确定结合进行。例如,气体生成部件(例如,电解槽、ASU、氨生产设备)的维护可以被安排在当气体存储量高且预测的可用的可再生功率低时的时间段内进行,以便使中断最小化并维持服务提供的连续性。
此外,在下面的步骤330中,数据还可以用于确定设定点特性。
在步骤330,由步骤320中的模型为每个相应的工业气体设备确定的预测的操作特性被用于另外的集体模型中,以生成工业气体设备综合体的操作性能度量。在示例性的实施例中的氨生产设备中,效率确定能够实现对于给定水平的能量输入所生产的氨的预测的确定。
在步骤340,将预定的未来时间段的预测的数据与该时间段结束时的实际测量数据进行比较。这种比较用于推断工业气体设备的其他技术性能。这些预测可以用于确定资源规划、维护计划或维修要求。
在实施例中,然后将预定的时间段(例如,从预测的数据的生成或从预测的数据中的时间戳开始的2周、一个月、六个月的时间窗口)的预测与预测的数据所覆盖的时间段结束时的时间窗口或时间段(例如,从预测数据生成或从预测的数据中的时间戳开始的2周/一个月/六个月之后)的实际数据进行比较。这使得设备综合体10中的潜在问题能够被早期识别,因为任何工业气体设备或存储系统与基于过去实际行为的预测模型的偏差可能指示生产或维护问题的产生。
通过使用这种方法,可以早期识别潜在的未来问题,使得能够在对于紧急维护或维修需要设备服务的任何关键故障或未计划的停机之前采取补救措施。
此外,在实施例中,维护的调度可以结合功率资源和存储单元的容量的确定来完成。例如,气体生成部件(例如,电解槽、ASU、氨生产设备)的维护可以被安排在当气体存储量高且预测的可用的可再生功率低时的时间段内进行,以便使中断最小化并维持服务提供的连续性。
在实施例中,预测的数据可以任选地用于响应于工业气体设备在预定的未来时间段内的预测的操作特性来控制一个或多个工业气体设备。例如,一个或多个工业气体设备的一个或多个操作设定点可以根据预测的行为来设置。
步骤340中的控制可以结合步骤200至250中描述的方法来完成,其中结合步骤330中的预测的效率确定来利用预测的功率可用性,以使得能够基于预测的功率可用性以及设备效率来确定设定点。
在步骤350,确定是否需要另外的训练过程。这可以基于经验度量,诸如预定的时间段。可替代地,它可以基于通过将预定的未来时间段的预测操作特性的值与在预测的未来时间段结束时工业气体设备的实际操作特性进行比较而对机器学习模型的准确度的评估。这使得能够确定为模型的准确度提供度量的预测误差值。
如果确定模型需要再训练,则可以安排训练时间,并且所述方法可以移回到步骤310中的训练。应当注意,这可能发生在步骤320、330或340中的任何一个之后。
实时优化模块(RTOM)156
RTOM 156包括系统,用于确定各种工业气体设备应当运行的速率,以最佳地管理可再生氢的生产和存储,同时使氨的生产最大化。换句话说,RTOM 156能够使用可再生功率对工业气体设备综合体进行实时优化。更具体地,在实施例中,
在实施例中,所述系统求解应用于工业气体设备综合体的动态数学模型的优化算法。RTOM 156系统使用预测的功率WPi和SPi以及工业气体设备的状态,诸如从以上关于POM154讨论的设备特定因素(诸如电流、压力、温度和流速测量)推断的效率。采用这些值作为输入,并应用优化算法来提出氨设备在c+1至c+p的时间段内的最佳操作速率。
其他工业气体设备诸如氢气生产设备12、氢气压缩和存储系统14、空气分离单元16、氮气存储器16a和水设备的速率与氨的速率相关联,并且如上所述由低水平控制器控制。仅实现来自针对时间c+1的最佳值清单的第一个值,并当新数据可用时,在时间c+1用新数据重复计算。
RTOM 156还可以利用与存储资源28的资源存储装置或能量存储装置相关的数据。如上所述,能量存储装置可以包括以下中的一个或多个:电池能量存储系统(BESS)28a、压缩/液态空气能量系统(CAES或LAES)28b或抽水水力存储系统(PHSS)28c。存储资源28的每个单元的状态、操作特性、可用性、资源存储水平和功率可用性的难易程度可以被考虑到优化问题中。
RTOM 156系统在计算机上实现,并从其他计算机系统接收各种输入。预测的功率来自PPM 152。工业气体设备的状态由将各种单元(诸如,电解槽(ECi)、氢气压缩机(CPi)、氨设备(APi)和ASU(NPi))的功率消耗与这些单元相关的过程变量相关联的方程表示。
RTOM 156系统解决了优化问题,所述优化问题寻求在给定对接下来p个时间段内可用的预测功率的总量、存储中可用的氢气的量、描述工艺设备操作的基于物理或数据的方程的约束下使氨产量最大化。
通常,此类问题是混合整数非线性规划(MINLP),因为工艺设备方程是非线性的,并且一些决策要求一些设备以导致整数变量的几种可能模式之一运行。优化生成从时间c+1到c+p的设定点,以平衡预测的生成的功率和消耗的功率,使得生产适量的氢气,并且氨设备以正确的速率运行,以使氨产量最大化。RTOM 156系统还考虑了氢存储,并且基于未来的功率预测,氢可以被存储或从存储中消耗。
此外,RTOM 156系统可以根据功率可用性和设备可用性信息,选择建议设备进入待机或停机模式。RTOM 156系统的输出是推荐的氨生产速率,该生产速率被自动地传送到控制氨设备、ASU、电解槽、水设备以及氢气压缩和存储的先进控制系统。
这方面的实例在图8中示出,该图示出了在48小时预测的时间段内作为时间的函数的最佳氨设备速率。
操作的方法
在实施例中,提供了一种控制工业气体设备综合体的方法,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备。所述方法由至少一个硬件处理器执行。
在步骤410,从一个或多个可再生功率源接收预定的未来时间段内的时间相关的预测功率数据。在非限制性的实施例中,这可以由PPM 152根据在步骤200至250讨论的过程和方法来确定。可替代地,预测的功率数据可以根据任何其他合适的过程获得。
在步骤420,接收每个工业气体设备的时间相关的预测操作特性数据。在此上下文中,“工业气体设备”还可以包含工业气体存储器,例如,如本实施例中上述的氢气、氮气和/或氨气存储器。
在实施例中,操作特性数据可以根据关于POM 156和图6的方法步骤300至350描述的协议来生成。然而,所述数据也可以根据任何其他合适的过程来确定。
在步骤430,在优化模型中利用预测的功率数据和预测的特性数据来为多个工业气体设备生成状态变量的集合(其可以是优化的状态变量)。在实施例中,这可以通过解决优化问题来完成。例如,在非限制性的实施例中,优化模型可以将预测的功率数据和预测的特性数据定义为非线性方程的集合。存储资源数据可以任选地被包含在功率数据中。然后通过求解非线性方程的集合来生成状态变量。
在步骤440,利用所生成的状态变量(其可以是优化的状态变量)来生成用于多个工业气体设备的控制设定点的集合。设定点可以被定义来实现任何特定的目标。例如,可以在特定时间定义设定点,以确保在给定可用功率和存储资源的情况下,工业气体设备高效且有效地操作。在给定预测的功率可用性的情况下,设定点可替代地或附加地用于使工业气体的产量最大化。
作为另外的实例,单独的工业气体设备和/或工业气体设备综合体作为整体的预测的功率可用性和预测的效率和操作特性可以用于防止单独的设备和/或设备综合体的功率不足,或者用于在当前时间功率可用性充足但预测未来短缺的情况下增加产量。
在步骤450,控制设定点被发送到控制系统,以通过调整工业气体设备的一个或多个控制设定点来控制工业气体设备综合体。
总之,在示例性的实施例中,提供了一种用于工业气体设备综合体的控制和优化系统。工业气体设备综合体包括多个工业气体设备,包含利用水的电解的氢气生产设备、用于生产氮气的空气分离设备、用于生产氨的氨合成设备、氢气存储系统以及氨存储和运输系统。
在示例性的实施例中,在给定系统的不确定的未来功率输入的情况下,系统寻求使氨产量最大化。该系统还包含基于机器学习的程序,以根据天气预报预测未来的功率输入。该程序不断从环境和天气模式以及生成的功率中学习,以进行未来的功率生成预测。该系统还包含另一个机器学习程序,以从工业气体设备学习操作数据,并修改用于优化的数学模型。
虽然已经参照附图中所示的优选的实施例描述了本发明,但是应当理解,在如所附权利要求限定的本发明的精神或范围内,各种修改是可能的。
在说明书和权利要求书中,术语“工业气体设备”旨在是指生产或参与气态、液化或压缩形式的工业气体、商业气体、医疗气体、无机气体、有机气体、燃料气体和绿色燃料气体的生产的工艺设备。
例如,术语“工业气体设备”可以包含用于制造气体的工艺设备,所述气体诸如在NACE 20.11类中所述的那些并且包含但不限于:元素气体;液体或压缩空气;制冷气体;混合工业气体;惰性气体,诸如二氧化碳;和隔离气体。此外,术语“工业气体设备”还可以包含用于制造NACE 20.15类中的工业气体(诸如氨)的工艺设备、用于提取和/或制造甲烷、乙烷、丁烷或丙烷(NACE 06.20类和19.20类)以及制造如由NACE 35.21类所定义的气体燃料的工艺设备。以上已经针对欧洲NACE系统进行了描述,但旨在涵盖北美分类SIC和NAICS下的等效类别。此外,上述清单是非限制性和非穷尽性的。
在一些实例中,示出了氢气存储系统,并且在一些情况下示出了纯化单元。然而,应当理解,本发明可以在不使用氢气存储系统或纯化单元的情况下实现,在此仅为了完整起见而示出了氢气存储系统或纯化单元。
在本说明书中,除非另有明确说明,否则词语“或”是在当满足所述条件中的任一个或两个时返回真值的运算符,而不是仅要求满足其中一个条件的运算符“异或”的意义上使用。词语“包括”是在“包含”的意义上使用的,而不是指“由……组成”。
在本发明的实施例的讨论中,给出的压力是绝对压力,除非另有说明。
上述所有在先教导据此通过引用引入本文。在本文中对任何先前出版的文件的承认不应被视为承认或表示其教导在当时是澳大利亚或其他地方的公知常识。
在适用的情况下,由本公开提供的各种实施例可以使用硬件、软件或硬件和软件的组合来实现。此外,在适用的情况下,本文阐述的各种硬件部件和/或软件部件可以被组合成包括软件、硬件和/或两者的复合部件,而不脱离本公开的精神。在适用的情况下,本文阐述的各种硬件部件和/或软件部件可以被分成包括软件、硬件或两者的子部件,而不脱离本公开的范围。此外,在适用的情况下,预期软件部件可以实现为硬件部件,并且反之亦然。
根据本公开的软件(诸如程序代码和/或数据)可以被存储在一个或多个计算机可读介质上。还可以设想,本文识别的软件可以使用一个或多个通用或专用计算机和/或联网和/或以其他方式的计算机系统来实现。在适用的情况下,本文描述的各种步骤的顺序可以改变,被组合成复合步骤,和/或被分成子步骤,以提供本文描述的特征。
虽然本文已经根据“模块”、“单元”或“部件”描述了各种操作,但是应当注意,这些术语不限于单个单元或功能。此外,归因于本文描述的一些模块或部件的功能可以被组合并归因于更少的模块或部件。此外,虽然已经参照具体的实例描述了本发明,但是这些实例仅仅是说明性的,并且不旨在限制本发明。对于本领域的普通技术人员来说将明显的是,在不脱离本发明的精神和范围的情况下,可以对所公开的实施例进行改变、添加或删除。例如,上述方法的一个或多个部分可以以不同的顺序(或同时)执行,并且仍然获得期望的结果。
Claims (20)
1.一种控制工业气体设备综合体的方法,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备,所述方法由至少一个硬件处理器执行,所述方法包括:
从所述一个或多个可再生功率源接收关于预定的未来时间段的时间相关的预测的功率数据;
接收关于每个工业气体设备的时间相关的预测的操作特性数据;
在优化模型中利用所述预测的功率数据和所述预测的特性数据来生成关于所述多个工业气体设备的状态变量的集合;
利用所生成的状态变量来为所述多个工业气体设备生成控制设定点的集合;以及
将所述控制设定点发送到控制系统,以通过调整所述工业气体设备的一个或多个控制设定点来控制所述工业气体设备综合体。
2.根据权利要求1所述的方法,其中所述优化模型将所述预测的功率数据和预测的特性数据定义为非线性方程的集合。
3.根据权利要求2所述的方法,其中通过求解所述非线性方程的集合来生成所述状态变量。
4.根据权利要求1所述的方法,其中所述时间相关的预测的功率数据从训练的机器学习模型生成。
5.根据权利要求4所述的方法,其中所述时间相关的预测的功率数据通过下者来获得:
获得与所述一个或多个可再生功率源相关联的历史时间相关的环境数据;
获得与所述一个或多个可再生功率源相关联的历史时间相关的操作特性数据;
基于所述历史时间相关的环境数据和所述历史时间相关的操作特性数据来训练机器学习模型;以及
执行训练的机器学习模型以预测所述一个或多个工业气体设备在预定的未来时间周期内的可用功率资源。
6.根据权利要求1所述的方法,其中所述时间相关的预测的操作特性数据从关于所述工业气体设备中的每个的训练的机器学习模型生成。
7.根据权利要求6所述的方法,其中通过下者来获得关于每个工业设备的所述时间相关的预测的操作特性数据:
将机器学习模型分配给形成所述工业气体设备综合体的所述工业气体设备中的每个;
基于接收到的关于相应的工业气体设备的历史时间相关的操作特性数据,为每个工业气体设备训练相应的机器学习模型;以及
为每个工业气体设备执行训练的机器学习模型以预测每个相应的工业气体设备在预定的未来时间段内的操作特性。
8.根据权利要求1所述的方法,其中所述工业气体设备综合体包括存储资源,所述存储资源包括一个或多个工业气体存储容器和/或一个或多个能量存储资源。
9.根据权利要求8所述的方法,其中所述一个或多个能量存储资源包括下者中的一个或多个:电池能量存储系统;压缩空气能量存储器;液态空气能量存储器;或抽水水电能量存储器。
10.根据权利要求8所述的方法,其中所述预测的功率数据进一步包括表示所述存储资源的操作参数的数据。
11.根据权利要求10所述的方法,其中表示所述存储资源的操作参数的所述数据包括下者中的一个或多个:资源存储器可用性;填充水平;以及利用率。
12.一种用于控制工业气体设备综合体的系统,所述工业气体设备综合体包括由一个或多个可再生功率源提供动力的多个工业气体设备,所述系统包括:
至少一个硬件处理器,所述硬件处理器是可操作的以执行:
从所述一个或多个可再生功率源接收关于预定的未来时间段的时间相关的预测的功率数据;
接收关于每个工业气体设备的时间相关的预测的操作特性数据;
在优化模型中利用所述预测的功率数据和所述预测的特性数据来生成关于所述多个工业气体设备的状态变量的集合;
利用所生成的状态变量来为所述多个工业气体设备生成控制设定点的集合;以及
将所述控制设定点发送到控制系统,以通过调整所述工业气体设备的一个或多个控制设定点来控制所述工业气体设备综合体。
13.根据权利要求12所述的系统,其中所述优化模型将所述预测的功率数据和预测的特性数据定义为非线性方程的集合。
14.根据权利要求13所述的系统,其中通过求解所述非线性方程的集合来生成所述状态变量。
15.根据权利要求12所述的系统,其中所述时间相关的预测的功率数据从训练的机器学习模型生成。
16.根据权利要求12所述的系统,其中所述时间相关的预测的操作特性数据从关于所述工业气体设备中的每个的训练的机器学习模型生成。
17.一种存储指令的程序的计算机可读存储介质,所述指令的程序可由机器执行以执行控制包括由一个或多个可再生功率源提供动力的多个工业气体设备的工业气体设备综合体的方法,所述方法由至少一个硬件处理器执行,所述方法包括:
从所述一个或多个可再生功率源接收关于预定的未来时间段的时间相关的预测的功率数据;
接收关于每个工业气体设备的时间相关的预测的操作特性数据;
在优化模型中利用所述预测的功率数据和所述预测的特性数据来生成关于所述多个工业气体设备的状态变量的集合;
利用所生成的状态变量来为所述多个工业气体设备生成控制设定点的集合;以及
将所述控制设定点发送到控制系统,以通过调整所述工业气体设备的一个或多个控制设定点来控制所述工业气体设备综合体。
18.根据权利要求17所述的计算机可读存储介质,其中所述优化模型将所述预测的功率数据和预测的特性数据定义为非线性方程的集合。
19.根据权利要求18所述的计算机可读存储介质,其中通过求解所述非线性方程的集合来生成所述状态变量。
20.根据权利要求17所述的计算机可读存储介质,其中所述时间相关的预测的功率数据从训练的机器学习模型生成,和/或所述时间相关的预测的操作特性数据从关于所述工业气体设备中的每个的训练的机器学习模型生成。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US17/193052 | 2021-03-05 | ||
US17/193,052 US11625020B2 (en) | 2021-03-05 | 2021-03-05 | Method and apparatus for controlling an industrial gas plant complex |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115034399A true CN115034399A (zh) | 2022-09-09 |
Family
ID=80820022
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210214540.4A Pending CN115034399A (zh) | 2021-03-05 | 2022-03-04 | 用于控制工业气体设备综合体的方法和设备 |
Country Status (8)
Country | Link |
---|---|
US (2) | US11625020B2 (zh) |
EP (1) | EP4053655A1 (zh) |
CN (1) | CN115034399A (zh) |
AU (1) | AU2022201358B2 (zh) |
BR (1) | BR102022003674A2 (zh) |
CA (1) | CA3150631A1 (zh) |
CL (1) | CL2022000526A1 (zh) |
MX (1) | MX2022002511A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4335947A1 (en) * | 2022-09-06 | 2024-03-13 | Covestro Deutschland AG | Method and system for operating an electrochemical reactor |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7510640B2 (en) * | 2004-02-18 | 2009-03-31 | General Motors Corporation | Method and apparatus for hydrogen generation |
US7411308B2 (en) * | 2005-02-26 | 2008-08-12 | Parmley Daniel W | Renewable energy power systems |
US20070079611A1 (en) * | 2005-10-11 | 2007-04-12 | Doland George J | Renewable Power Controller for Hydrogen Production |
ES2901112T3 (es) * | 2008-10-30 | 2022-03-21 | Next Hydrogen Corp | Sistema de reparto de potencia para producción electrolítica de hidrógeno a partir de potencia eólica |
CN102693451B (zh) | 2012-06-14 | 2014-11-19 | 东北电力大学 | 基于多参数的氨法烟气脱硫效率预测方法 |
AU2013207551B2 (en) | 2012-07-20 | 2015-12-17 | Tata Consultancy Services Limited | Method and system for adaptive forecast of wind resources |
TW201520784A (zh) | 2013-11-29 | 2015-06-01 | Inst Information Industry | 再生能源發電量預測系統及方法以及供電配置系統 |
EP3154904B1 (en) * | 2014-06-16 | 2018-09-26 | Siemens Aktiengesellschaft | System and method for load balancing of intermittent renewable energy for an electricity grid |
WO2020203520A1 (ja) | 2019-03-29 | 2020-10-08 | 旭化成株式会社 | 装置、方法、およびプログラム |
-
2021
- 2021-03-05 US US17/193,052 patent/US11625020B2/en active Active
-
2022
- 2022-02-25 BR BR102022003674-8A patent/BR102022003674A2/pt unknown
- 2022-02-28 MX MX2022002511A patent/MX2022002511A/es unknown
- 2022-02-28 EP EP22159309.8A patent/EP4053655A1/en active Pending
- 2022-02-28 AU AU2022201358A patent/AU2022201358B2/en active Active
- 2022-03-02 CA CA3150631A patent/CA3150631A1/en active Pending
- 2022-03-03 CL CL2022000526A patent/CL2022000526A1/es unknown
- 2022-03-04 CN CN202210214540.4A patent/CN115034399A/zh active Pending
-
2023
- 2023-01-31 US US18/103,766 patent/US20230185283A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US11625020B2 (en) | 2023-04-11 |
US20230185283A1 (en) | 2023-06-15 |
CL2022000526A1 (es) | 2022-11-18 |
US20220283567A1 (en) | 2022-09-08 |
BR102022003674A2 (pt) | 2023-05-09 |
AU2022201358A1 (en) | 2022-09-22 |
AU2022201358B2 (en) | 2024-05-16 |
CA3150631A1 (en) | 2022-09-05 |
MX2022002511A (es) | 2022-09-06 |
EP4053655A1 (en) | 2022-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP4053653A1 (en) | Method and apparatus for monitoring operational characteristics of an industrial gas plant complex | |
Xu et al. | Integrated modelling and enhanced utilization of power-to-ammonia for high renewable penetrated multi-energy systems | |
US11929613B2 (en) | Method and apparatus for managing predicted power resources for an industrial gas plant complex | |
Zhang et al. | Optimization and economic evaluation of a PEM electrolysis system considering its degradation in variable-power operations | |
US20230185283A1 (en) | Method and apparatus for controlling an industrial gas plant complex | |
AU2022205197B2 (en) | Method and apparatus for managing industrial gas production | |
CN117613957A (zh) | 一种电-氢-氨的最优动态调节控制方法及装置 | |
Miland | Operational experience and control strategies for a stand-alone power system based on renewable energy and hydrogen | |
CN116562062A (zh) | 考虑电、氢耦合的生产模拟方法、系统、装置及存储介质 | |
US20240143854A1 (en) | Method and system for configuring an industrial gas plant complex powered by renewable power sources | |
Eikeng | Power to Ammonia-A Computational Framework for Optimizing Green Ammonia Production from off-grid Wind and Solar Energy | |
US20240211980A1 (en) | Method and apparatus for management of power in an industrial gas production facility | |
Nnabuife et al. | Integration of renewable energy sources in tandem with electrolysis: A technology review for green hydrogen production | |
EP4174215A1 (en) | A method of configuring a plant for the synthesis of green ammonia | |
CN114219221A (zh) | 一种考虑多重不确定性的综合能源系统日前经济协调与调度方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |